我们提出了一种将视频编码到神经网络中的新型神经表示方法（NeRV），可以提高视频编码和解码的效率并广泛地应用于视频压缩或去噪等任务。

Oct, 2021

本文从图像压缩的角度出发，探索了INRs的作用，提出了基于INRs的全面压缩流水线并进行了广泛的消融研究，结果表明，该方法表现优异，且与专门为图像设计的常用压缩算法竞争力相当，接近基于率失真自编码器的最新学习方法。

Dec, 2021

本文提出了一种基于树形结构的隐式神经网络压缩技术（TINC），利用多层感知机（MLPs）来适应局部区域，组织成树形结构来共享参数，以提高数据压缩效率并消除局部和非局部冗余。实验表明TINC在INR数据压缩方面具有很高的灵活性和可扩展性，并比商业工具和其他深度学习方法表现更好。

Nov, 2022

本文介绍了一种基于HiNeRV的视频编解码器，该编解码器具有更高的容量和更好的性能，并通过训练、修剪和量化的精细管道来保持其在有损模型压缩中的性能。

Jun, 2023

首次将内隐神经表示（INR）应用于多视角视频，通过提出基于INR的MV-HiNeRV，它是一种新的增强型多视角视频编解码器，用于高效地表示和编码传统视频内容，并在MPEG Immersive Video（MIV）的测试中表现出卓越的性能。

Feb, 2024

通过特征调制，我们提出了一种强大的条件编码神经视频编解码器（NVC），解决了两个关键问题：如何在单一模型中支持宽范围的质量，并使NVC在长预测链下仍然有效。此外，我们设计了一个支持RGB和YUV颜色空间的单一模型。

Feb, 2024

通过引入神经代表视频的NeRV++，作为NeRV解码器架构的一种增强改进方法，使用可分离卷积残差块（SCRBs）和双线性插值跳跃层等特性，大幅提高了INR-based视频编解码的效果和表示能力，实现了与自动编码器基于视频编码相竞争的结果，迈向了INR-based视频压缩研究的重大进展。

Feb, 2024

通过引入具有自适应内容嵌入的混合神经表示视频（HNeRV）和一个新颖组件——VQ-NeRV块，我们提出了一个先进的U型架构，Vector Quantized-NeRV（VQ-NeRV），以在视频回归任务中提供卓越的重建质量、更好的比特率和改善的视频修复结果。

Mar, 2024

本研究针对现有视频编解码器在解码复杂性和系统延迟方面的问题，提出了一种新颖的基于隐式神经表示（INR）的视频编码框架PNVC。该框架通过多项设计创新显著提高了压缩性能，相较于HEVC HM 18.0，BD率节省超过35%，并且为1080p内容保持了20+ FPS的解码速度，为INR视频编码的实际应用奠定了基础。

Sep, 2024

本研究针对当前隐式神经表示（INR）的视频压缩方法未能充分利用信息保存的潜力这一问题，提出了一种通过参数重用增强网络参数存储的创新方案。实验结果表明，该方案显著提升了INR视频压缩的率失真性能，具有重要的应用前景。

Oct, 2024